【ClickHouse 表引擎&SQL操作&副本&分片集群 02】

一、表引擎

表引擎决定了如何存储表的数据。类似mysql的引擎InnoDB，MyISAM

数据的存储方式和位置，写到哪里以及从哪里读取数据
- 一般的引擎都存储在本地的磁盘，clickhouse存储的位置在：/var/lib/clickhouse -->其中data存储数据，metadata存储建表语句
支持那些查询以及如何支持
并发数据访问。
索引的使用（如果存在）。
是否可以执行多线程请求。
数据复制参数

表引擎的使用方式就是必须显式在创建表时定义该表使用的引擎，以及引擎使用的相关参数

特别注意：引擎的名称大小写敏感

1、TinyLog -->日志系列家族

以列文件的形式保存在磁盘上，不支持索引，没有并发控制。一般保存少量数据的小表，可以用在平时练习测试用，生产不用，

如：create table t_tinylog ( id String, name String) engine=TinyLog;

2、Memory

内存引擎，数据以未压缩的原始形式直接保存在内存中，服务器重启数据就会丢失，所以一般也不用再生产环境上，简单查询下有非常高的性能表现

3、MergeTree --》重点合并树引擎

clickhouse中最强大的表引擎当属MergeTree（合并树）引擎及该系列（*MergeTree）中的其他引擎，支持索引和分区，地位可以相当于innodb之于Mysql

1)建表语句

CREATE TABLE t_order_mt(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2),
    create_time Datetime
) ENGINE = MergeTree()
PARTITION BY toYYYYMMDD(create_time)
ORDER BY (id, sku_id)
PRIMARY KEY id;

MergeTree还有很多的参数，但是这三个参数更加重要

PARTITION BY 分区 --可选

ORDER BY 必选

PRIMARY KEY 主键-必选

2）插入语句

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

3）查询语句

从查询的结果看到，clickhouse的主键(id)其实并不唯一，存在分区(create_time)，还有排序

3.1、partition by 分区（可选）

1）作用：降低扫描范围，优化查询速度

为什么clickhouse查询速度快呢，其实和hive一样，都是分了目录，有目录了查找的时候不就快了？

2）如果不填：只会使用一个分区（All）

3）分区目录：MergeTree是以列文件+索引文件+表定义文件组成的，但是如果设定了分区那么这些文件就会保存到不同的分区目录中

hive和clickhouse分区目录不同在，hive是在HDFS中，而clickhouse是在本地磁盘

4）并行：分区后，面对涉及跨分区的查询统计，clickhouse会以分区为单位并行处理（其实就是并发查询，官方其实是推荐以天为单位进行的分区）

5）数据写入与分区合并：任何一个批次的数据写入都会产生一个临时分区，不会纳入任何一个已有的分区。写入后的挪个时刻（大概10-15分钟），clickhouse会自动执行合并操作（等不及也可以手动通过optimize执行），把临时分区的数据，合并到已有分区中

optimize table xxxx final;

clickhouse分区本地磁盘数据

存储路径：/var/lib/clickhouse
ClickHouse各文件目录：
    bin/    ===>  /usr/bin/ 
    conf/   ===>  /etc/clickhouse-server/
    lib/    ===>  /var/lib/clickhouse 
    log/    ===>  /var/log/clickhouse-server

PartitionId_MinBlockNum_MaxBlockNum_Level
分区值_最小分区块编号_最大分区块编号_合并层级
    =》PartitionId
        数据分区ID生成规则
        数据分区规则由分区ID决定，分区ID由PARTITION BY分区键决定。根据分区键字段类型，ID生成规则可分为：
            未定义分区键
                没有定义PARTITION BY，默认生成一个目录名为all的数据分区，所有数据均存放在all目录下。

            整型分区键
                分区键为整型，那么直接用该整型值的字符串形式做为分区ID。

            日期类分区键
                分区键为日期类型，或者可以转化成日期类型。

            其他类型分区键
                String、Float类型等，通过128位的Hash算法取其Hash值作为分区ID。
    =》MinBlockNum
        最小分区块编号，自增类型，从1开始向上递增。每产生一个新的目录分区就向上递增一个数字。
    =》MaxBlockNum
        最大分区块编号，新创建的分区MinBlockNum等于MaxBlockNum的编号。
    =》Level
        合并的层级，被合并的次数。合并次数越多，层级值越大。

bin文件：数据文件
mrk文件：标记文件
    标记文件在 idx索引文件 和 bin数据文件 之间起到了桥梁作用。
    以mrk2结尾的文件，表示该表启用了自适应索引间隔。
primary.idx文件：主键索引文件，用于加快查询效率。
minmax_create_time.idx：分区键的最大最小值。
checksums.txt：校验文件，用于校验各个文件的正确性。存放各个文件的size以及hash值。

3.2、primary key 主键（可选）

clickhouse的主键只提供了数据的一级索引，但是却不是唯一索引。所以就意味着可以存在相同主键的数据

主键的设定主要依据是查询语句中的where条件

根据条件通过对主键进行某种形式的二分查找，能够定位到对应的 index granularity，避免的全表扫描

index granularity：索引粒度，指在稀疏索引中两个相邻索引对应数据的间隔（默认8192）。官方不建议修改这个值，除非该列存在大量重复值，比如在一个分区中有几万行才有一个不同数据

下面详细理解下稀疏索引：

1、查看我们的建表语句

localhost :) show create table t_order_mt

可以看到clickhouse默认给加了一个索引粒度8192

2、图标解释稀疏索引

稀疏索引的好处就是可以用会很少的索引数据，定位更多的数据，代价就是只能够定位到索引粒度的第一行，然后在进行一点点的扫描

3.3、order by （必选）

order by 设定了分区内得到数据按照那些字段顺序进行有序保存

order by是MergeTree中唯一一个必填项，甚至比primary key还重要，因为用户不设置主键的情况，很多处理会按照order by的字段进行处理

要求：主键必须是order by字段的前缀字段

比如order by字段是（id,sku_id）那么主键必须是id或者是（id,sku_id）

3.4、二级索引

为什么要创建二级索引，是因为一级索引不够用呗！

直接用建表语句理解

create table t_order_mt2(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime,
INDEX a total_amount TYPE minmax GRANULARITY 5  //这一行定义了一个名为 a 的索引，类型为 minmax，用于快速查找 total_amount 列的最小值和最大值。GRANULARITY 5 表示索引的粒度为 5，即每 5 个数据块更新一次索引。
) engine =MergeTree
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

比如一级索引的稀疏索引有15个，那么二级索引根据GRANULARITY 设定的大小重新划分，这里=5，那么这15个就是重新划分为3个，目的同样为了减少判断（一级索引查询判断15次，加上二级后就有可能判断3次就够了）

如何判断有没有加二级索引。可以直接用语句去查看

show create table t_order_mt2;  --->是否有这一句：INDEX a total_amount TYPE minmax GRANULARITY 5

3.5、数据TTL

TTL即Time To Live，MergeTree提供了可以管理数据表或者列的生命周期的功能（其实就是到期时间，到期后自动删除此列或者表）

1）列级别TTL

create table t_order_mt3(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,
 create_time Datetime 
) engine =MergeTree
partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

2）表级别TTL

alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;

4、ReplacingMergeTree

它是MergeTree的一个变种，存储特性完全继承MergeTree，只是多了一个去重的功能。

1）去重时机

数据的去重置灰在合并的过程中出现。

2）去重范围

如果表经过了分区，去重只会在分区内部进行去重，不能执行跨分区的去重

所以 ReplacingMergeTree 能力有限， ReplacingMergeTree 适用于在后台清除重复的数据以节省空间，但是它不保证没有重复的数据出现。

#案例演示

|- 创建表

create table t_order_rmt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) ,
 create_time Datetime 
) engine =ReplacingMergeTree(create_time)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

ReplacingMergeTree() 填入的参数为版本字段，重复数据保留版本字段值最大的。

如果不填版本字段，默认按照插入顺序保留最后一条。

|- 插入数据并执行第一次查询

|- 手动合并->执行第2次次查询

OPTIMIZE TABLE t_order_rmt FINAL;

经过测试得到的结论：

实际上是使用order by字段作为唯一键
去重不能跨分区
只有同一批插入活合并分区时才会进行去重
认定重复的数据保留，版本字段值最大的
如果版本字段相同则按插入顺序保留最后一笔

5、SummingMergeTree

用于聚合结果汇总

#案例演示：

|- 创建表

create table t_order_smt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) ,
 create_time Datetime 
) engine =SummingMergeTree(total_amount)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id );

|-插入数据，执行第一次查询

|-手动合并后执行第二次查询

OPTIMIZE TABLE t_order_smt FINAL;

|- 通过测试得出结论

以 SummingMergeTree（）中指定的列作为汇总数据列
可以填写多列必须数字列，如果不填，以所有非维度列且为数字列的字段为汇总数据列
以 order by 的列为准，作为维度列
其他的列按插入顺序保留第一行
不在一个分区的数据不会被聚合
只有在同一批次插入(新版本)或分片合并时才会进行聚合

posted @ 2024-10-10 09:45 尘封~~ 阅读(8) 评论(0) 编辑收藏举报

刷新页面返回顶部

朝九晚五浪迹江湖

【ClickHouse 表引擎&SQL操作&副本&分片集群 02】

公告